A carregar...
Publicação
Conditional Deep Generative Models for MEMS Devices Design
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 11.87 MB | Adobe PDF |
Orientador(es)
Resumo(s)
In recent decades, making electronic devices smaller has become essential to technological
progress. While semiconductor advancements have facilitated the shrinking of electronic
circuits, integrating large sensors and actuators has posed challenges, resulting in larger
products and increased manufacturing time and cost.
The emergence of Micro Electro Mechanical Systems (MEMS) technology has offered
a transformative solution. By combining electronic and mechanical structures on a
microscale, MEMS devices enable greater efficiency and miniaturisation, revolutionising
the most varied industries, such as the smartphone and healthcare industries. Despite the
progress that has been made, the design process for MEMS devices remains intricate and
time-consuming, often lacking optimal outcomes. Artificial intelligence can be a strong
ally in this area, as it can quickly generate diverse designs that may ultimately surpass
those crafted by humans in terms of efficiency and performance.
In this thesis, in collaboration with the Micro- and Nanosystems (MNS) Research
Division from KU Leuven University, we present a novel approach to the MEMS design
process using conditional deep generative models. We trained these models on datasets of
MEMS devices’ designs, with a focus on generating new designs that meet specific design
constraints and are conditioned on the desired input frequencies. This approach speeds
up the design process, encouraging exploration of different design paths that traditional
techniques might overlook, potentially leading to more efficient and innovative designs.
Furthermore, we have developed an evaluation methodology crucial in objectively and
reliably assessing the models’ performance. It ensures that the designs generated by these
models not only meet the MEMS design constraints but also have the desired frequencies.
Our results demonstrate the effectiveness of generative models in producing valid MEMS
designs, highlighting the potential of artificial intelligence in enabling significant advances
in the field of microelectronics.
Nas últimas décadas, miniaturizar dispositivos eletrónicos tornou-se essencial para o progresso tecnológico. Embora os avanços na área dos semicondutores tenham reduzido o tamanho dos circuitos elétricos, a integração de sensores e atuadores tem apresentado desafios, resultando em produtos maiores e no aumento do tempo e custo de fabricação. O surgimento de sistemas microeletromecânicos (MEMS) ofereceu uma solução ino- vadora. Ao combinar estruturas eletrónicas e mecânicas numa escala microscópica, os dispositivos MEMS permitem maior eficiência e miniaturização, revolucionando diversas indústrias, como a dos smartphones e da saúde. Apesar do progresso alcançado, o design de dispositivos MEMS permanece um processo complicado e demorado, muitas vezes não levando a resultados ótimos. A inteligência artificial pode ser uma forte aliada nesta área, uma vez que consegue gerar rapidamente diversos designs que podem, eventualmente, superar os criados por humanos em termos de eficiência e desempenho. Nesta tese, em colaboração com a Divisão de Investigação de Micro e Nanossistemas (MNS) da Universidade KU Leuven, apresentamos uma nova abordagem ao processo de design para dispositivos MEMS utilizando modelos generativos condicionais. Treinamos estes modelos em conjuntos de designs de dispositivos MEMS, focando-se na geração de novos designs que respeitem determinadas restrições e estejam condicionados com as frequências de input desejadas. Esta abordagem acelera o processo de design, incenti- vando a exploração de diferentes caminhos que técnicas tradicionais poderiam ignorar, conduzindo a designs mais eficientes e inovadores. Desenvolvemos também uma metodologia de avaliação, crucial para avaliar de forma objetiva e fiável o desempenho dos modelos. Esta metodologia garante que os designs gerados por estes modelos não só cumprem as restrições de design dos MEMS, mas também têm as frequências desejadas. Os nossos resultados demonstram a eficácia dos modelos generativos em gerarem designs válidos para dispositivos MEMS, destacando o potencial da inteligência artificial em permitir avanços significativos na área da microelectrónica.
Nas últimas décadas, miniaturizar dispositivos eletrónicos tornou-se essencial para o progresso tecnológico. Embora os avanços na área dos semicondutores tenham reduzido o tamanho dos circuitos elétricos, a integração de sensores e atuadores tem apresentado desafios, resultando em produtos maiores e no aumento do tempo e custo de fabricação. O surgimento de sistemas microeletromecânicos (MEMS) ofereceu uma solução ino- vadora. Ao combinar estruturas eletrónicas e mecânicas numa escala microscópica, os dispositivos MEMS permitem maior eficiência e miniaturização, revolucionando diversas indústrias, como a dos smartphones e da saúde. Apesar do progresso alcançado, o design de dispositivos MEMS permanece um processo complicado e demorado, muitas vezes não levando a resultados ótimos. A inteligência artificial pode ser uma forte aliada nesta área, uma vez que consegue gerar rapidamente diversos designs que podem, eventualmente, superar os criados por humanos em termos de eficiência e desempenho. Nesta tese, em colaboração com a Divisão de Investigação de Micro e Nanossistemas (MNS) da Universidade KU Leuven, apresentamos uma nova abordagem ao processo de design para dispositivos MEMS utilizando modelos generativos condicionais. Treinamos estes modelos em conjuntos de designs de dispositivos MEMS, focando-se na geração de novos designs que respeitem determinadas restrições e estejam condicionados com as frequências de input desejadas. Esta abordagem acelera o processo de design, incenti- vando a exploração de diferentes caminhos que técnicas tradicionais poderiam ignorar, conduzindo a designs mais eficientes e inovadores. Desenvolvemos também uma metodologia de avaliação, crucial para avaliar de forma objetiva e fiável o desempenho dos modelos. Esta metodologia garante que os designs gerados por estes modelos não só cumprem as restrições de design dos MEMS, mas também têm as frequências desejadas. Os nossos resultados demonstram a eficácia dos modelos generativos em gerarem designs válidos para dispositivos MEMS, destacando o potencial da inteligência artificial em permitir avanços significativos na área da microelectrónica.
Descrição
Palavras-chave
MEMS Design Generative Models Deep Learning Constraints